对人工智能模型生成的图像进行编码和解码的方法及装置

1.本公开涉及图像或视频编码
技术领域：
：，尤其涉及一种对人工智能模型生成的图像进行编码和解码的方法及装置。
背景技术：
：：2.利用人工智能模型生成内容这种技术，通过利用大规模的语料库对深度学习算法进行训练，使集成了训练好的深度学习算法的计算机能够理解和模仿自然语言的语法、语义和风格等要素，并自动生成与自然语言的语法、语义和风格对应的内容。例如，人工智能模型生成的内容可以为文本、图像、音频等媒体内容。3.人工智能模型生成的图像已经展现出巨大的潜在应用价值。例如，人工智能模型生成图像这种技术可以被应用于合成虚拟场景、修复损坏的图像、自动化图像处理等任务，以提高生产效率和节省人力成本。4.在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：相关技术中，编码人工智能模型生成的图像的效率较低。技术实现要素：5.鉴于上述问题，本公开提供了一种对人工智能模型生成的图像进行编码和解码的方法及装置、设备、介质和程序产品。6.根据本公开的第一个方面，提供了一种对人工智能模型生成的图像进行编码的方法，包括：7.获取与目标图像对应的种子、提示信息和超参数，其中，上述种子表征用于生成与上述目标对象对应的随机序列的初始值，上述提示信息表征用于描述与上述目标图像对应的内容的条件信息，上述超参数表征与生成上述目标图像的生成模型和运算平台对应的参数，上述目标图像表征利用人工智能模型生成的图像；8.利用相关编码算法对上述种子、上述提示信息和上述超参数进行编码，得到与上述目标图像对应的编码码流。9.根据本公开的实施例，上述超参数包括生成模型参数、软件平台参数和硬件平台参数。10.根据本公开的实施例，上述硬件平台参数包括中央处理器型号、中央处理器基准频率和图形处理器型号。11.根据本公开的实施例，上述软件平台参数包括软件平台名称和软件平台版本号。12.根据本公开的实施例，上述生成模型参数包括：模型名称、模型版本号和模型输入参数初始值。13.根据本公开的实施例，上述相关编码算法为无损编码算法。14.本公开的第二方面提供了一种对人工智能模型生成的图像进行解码的方法，包括：15.获取与目标图像对应的编码码流，其中，上述目标图像表征利用人工智能模型生成的图像；16.利用相关解编码算法对上述编码码流进行解码，得到与上述目标图像对应的种子、提示信息和超参数，其中，上述种子表征用于生成与上述目标对象对应的随机序列的初始值，上述提示信息表征用于描述与上述目标图像对应的内容的条件信息，上述超参数表征与生成上述目标图像的生成模型和运算平台对应的参数，上述目标图像表征利用人工智能模型生成的图像；17.根据上述种子、上述提示信息和上述超参数，得到上述目标图像。18.本公开的第三方面提供了一种对人工智能模型生成的图像进行编码的装置，包括：19.第一获取模块，用于获取与目标图像对应的种子、提示信息和超参数，其中，上述种子表征用于生成与上述目标对象对应的随机序列的初始值，上述提示信息表征用于描述与上述目标图像对应的内容的条件信息，上述超参数表征与生成上述目标图像的生成模型和运算平台对应的参数，上述目标图像表征利用人工智能模型生成的图像；20.第一得到模块，用于利用相关编码算法对上述种子、上述提示信息和上述超参数进行编码，得到与上述目标图像对应的编码码流。21.本公开的第四方面提供了一种对人工智能模型生成的图像进行解码的装置，包括：22.第二获取模块，用于获取与目标图像对应的编码码流，其中，上述目标图像表征利用人工智能模型生成的图像；23.第二得到模块，用于利用相关解编码算法对上述编码码流进行解码，得到与上述目标图像对应的种子、提示信息和超参数，其中，上述种子表征用于生成与上述目标对象对应的随机序列的初始值，上述提示信息表征用于描述与上述目标图像对应的内容的条件信息，上述超参数表征与生成上述目标图像的生成模型和运算平台对应的参数，上述目标图像表征利用人工智能模型生成的图像；24.第三得到模块，用于根据上述种子、上述提示信息和上述超参数，得到上述目标图像。25.本公开的第五方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述方法。26.本公开的第六方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法。27.本公开的第七方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法。28.根据本公开的实施例，本公开实施例提供的技术方案可以实现通过对与人工智能模型生成的目标图像对应的种子、提示信息和超参数进行编码，得到与目标图像对应的编码码流。由于与目标图像对应的种子、提示信息和超参数的所占的内存远小于目标图像本身所占的内存，因此，通过利用相关编码算法对种子、提示信息和超参数进行编码，得到的与目标图像对应的编码码流，可以减少编码目标图像所用的时间及减小与目标图像对应的编码码流所占的内存，快速得到与目标图像对应的占用较少内存的编码码流，提高编码人工智能模型生成的目标图像的效率。附图说明29.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：30.图1示意性示出了根据本公开实施例的对人工智能模型生成的图像进行编码的方法的应用场景图；31.图2示意性示出了根据本公开实施例的对人工智能模型生成的图像进行编码的方法的流程图；32.图3示意性示出了根据本公开实施例的对人工智能模型生成的图像进行解码的方法的流程图；33.图4示意性示出了根据本公开实施例的对人工智能模型生成的图像进行编码及解码的流程图；34.图5示意性示出了根据本公开实施例的对人工智能模型生成的图像进行编码的装置的结构框图；35.图6示意性示出了根据本公开实施例的对人工智能模型生成的图像进行解码的装置的结构框图；以及36.图7示意性示出了根据本公开实施例的适于实现对人工智能模型生成的图像进行编码的方法或对人工智能模型生成的图像进行解码的方法的电子设备的方框图。具体实施方式37.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。38.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。39.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。40.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。41.在本公开的技术方案中，所涉及的数据(如包括但不限于用户个人信息)的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。42.相关技术中，编码人工智能模型生成的图像的时间较长，编码人工智能模型生成的图像的效率较低。得到的经过编码的人工智能模型生成的图像占用较多的存储空间，传输较慢。43.为了至少部分地解决相关技术中存在的技术问题，本公开的实施例提供了一种对人工智能模型生成的图像进行编码和解码的方法及装置，可以应用于图像或视频编码
技术领域：
：。44.本公开的实施例提供了一种对人工智能模型生成的图像进行编码的方法，包括：获取与目标图像对应的种子、提示信息和超参数，其中，种子表征用于生成与目标对象对应的随机序列的初始值，提示信息表征用于描述与目标图像对应的内容的条件信息，超参数表征与生成目标图像的生成模型和运算平台对应的参数，目标图像表征利用人工智能模型生成的图像；利用相关编码算法对种子、提示信息和超参数进行编码，得到与目标图像对应的编码码流。45.图1示意性示出了根据本公开实施例的对人工智能模型生成的图像进行编码的方法的应用场景图。46.如图1所示，根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。47.用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互，以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。48.第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。49.服务器105可以是提供各种服务的服务器，例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。50.需要说明的是，本公开实施例所提供的对人工智能模型生成的图像进行编码的方法一般可以由服务器105执行。相应地，本公开实施例所提供的对人工智能模型生成的图像进行编码的装置一般可以设置于服务器105中。本公开实施例所提供的对人工智能模型生成的图像进行编码的方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的对人工智能模型生成的图像进行编码的装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。51.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。52.以下将基于图1描述的场景，对本公开实施例的对人工智能模型生成的图像进行编码的方法进行详细描述。53.图2示意性示出了根据本公开实施例的对人工智能模型生成的图像进行编码的方法的流程图。54.如图2所示，该实施例的对人工智能模型生成的图像进行编码的方法包括操作s210～操作s220。55.在操作s210，获取与目标图像对应的种子、提示信息和超参数，其中，种子表征用于生成与目标对象对应的随机序列的初始值，提示信息表征用于描述与目标图像对应的内容的条件信息，超参数表征与生成目标图像的生成模型和运算平台对应的参数，目标图像表征利用人工智能模型生成的图像。56.在操作s220，利用相关编码算法对种子、提示信息和超参数进行编码，得到与目标图像对应的编码码流。57.根据本公开的实施例，可以利用扩散模型(diffusionmodel)生成目标图像。58.根据本公开的实施例，扩散模型表征基于扩散过程的图像生成模型。扩散模型通过模拟与目标图像对应的扩散过程来生成目标图像。扩散模型利用偏微分方程描述目标图像中的图像像素，或者可以理解为扩散模型利用偏微分方程表征生成目标图像的扩散过程。59.根据本公开的实施例，在利用扩散模型生成目标图像的过程中，可以通过对目标图像加噪声来增加生成的目标图像的随机性和多样性。噪声例如可以为高斯噪声。60.根据本公开的实施例，例如，利用扩散模型生成目标图像的过程可以为：先生成与目标图像对应的高斯噪声，然后扩散模型通过扩散过程对高斯噪声进行扩散，产生包括复杂的图像纹理和结构的目标图像。61.根据本公开的实施例，可以基于伪随机算法生成(伪)随机序列(即噪声)。伪随机算法例如可以为梅森旋转算法。62.根据本公开的实施例，在与生成目标图像的运算平台对应的参数保持不变、给定的种子保持不变的情况下，运算平台基于同一种随机算法生成的随机序列(即噪声)保持不变。在给定不同的随机种子的情况下，伪随机算法能够产生不同的(伪)随机序列。63.根据本公开的实施例，在利用扩散模型生成目标图像后，在与生成目标图像的运算平台对应的参数保持不变、给定的种子保持不变且与目标图像对应的提示信息保持不变的情况下，可以利用扩散模型再次生成该目标图像。因此，可以通过改变与生成目标图像的运算平台对应的参数、给定的种子或与目标图像对应的提示信息改变目标对象。64.根据本公开的实施例，与目标图像对应的种子可以根据实际业务情况进行选择，在此不作限定。例如，与目标图像对应的种子可以为235425或16723。65.根据本公开的实施例，提示信息可以包括提示词、文本和参数考图像中的至少一个。66.根据本公开的实施例，与目标图像对应的提示信息可以根据实际业务情况进行选择，在此不作限定。例如，在利用人工智能模型生成一幅包括狗及树木的目标图像的情况下，提示信息可以为dog、tree以及与狗对应的图像。其中，dog表征狗，tree表征树木。67.根据本公开的实施例，相关编码算法可以根据实际业务情况进行选择，在此不作限定。68.根据本公开的实施例，相关编码算法可以为预测、熵编码等方法。69.根据本公开的实施例，利用相关编码算法对种子进行编码的情况下，编码种子所需要的比特一般为32bit或者64bit，远小于编码目标图像本身所需要的比特。70.根据本公开的实施例，本公开实施例提供的技术方案可以实现通过对与人工智能模型生成的目标图像对应的种子、提示信息和超参数进行编码，得到与目标图像对应的编码码流。由于与目标图像对应的种子、提示信息和超参数的所占的内存远小于目标图像本身所占的内存，因此，通过利用相关编码算法对种子、提示信息和超参数进行编码，得到的与目标图像对应的编码码流，可以减少编码目标图像所用的时间及减小与目标图像对应的编码码流所占的内存，快速得到与目标图像对应的占用较少内存的编码码流，提高编码人工智能模型生成的目标图像的效率。71.根据本公开的实施例，超参数包括生成模型参数、软件平台参数和硬件平台参数。72.根据本公开的实施例，生成模型参数表征与生成目标图像的人工智能模型对应的参数。73.根据本公开的实施例，例如，硬件平台参数可以为与中央处理器cpu对应的参数和与图像处理器(gpu)对应的参数。74.根据本公开的实施例，例如，软件平台参数可以为与深度学习框架pytorch对应的参数。75.根据本公开的实施例，硬件平台参数包括中央处理器型号、中央处理器基准频率和图形处理器型号。76.根据本公开的实施例，软件平台参数包括软件平台名称和软件平台版本号。77.根据本公开的实施例，生成模型参数包括：模型名称、模型版本号和模型输入参数初始值。78.根据本公开的实施例，由于硬件平台的参数不同，运算平台的硬件会不同，运算平台计算目标图像的逻辑运算过程会不同，会导致扩散模型生成的目标图像发生变化。软件平台的参数不同，扩散模型或支持扩散模型的软件平台会发生变化，导致生成的目标图像发生变化。因此，超参数包括软件平台参数和硬件平台参数，涵盖了生成目标图像所需要的所有运算信息，使得后续可以根据这些运算信息多次生成精准的目标图像。79.根据本公开的实施例，相关编码算法为无损编码算法。80.根据本公开的实施例，无损编码算法例如可以为与zip编码算法或cmix编码算法。81.根据本公开的实施例，相关编码算法为无损编码算法，使得与目标图像对应的种子、提示信息和超参数编码前后没有信息损失，使得后续可以根据解码后的与目标图像对应的种子、提示信息和超参数精确恢复目标图像。82.图3示意性示出了根据本公开实施例的对人工智能模型生成的图像进行解码的方法的流程图。83.如图3所示，该实施例的对人工智能模型生成的图像进行解码的方法包括操作s310～操作s330。84.在操作s310，获取与目标图像对应的编码码流，其中，目标图像表征利用人工智能模型生成的图像。85.在操作s320，利用相关解编码算法对编码码流进行解码，得到与目标图像对应的种子、提示信息和超参数，其中，种子表征用于生成与目标对象对应的随机序列的初始值，提示信息表征用于描述与目标图像对应的内容的条件信息，超参数表征与生成目标图像的生成模型和运算平台对应的参数，目标图像表征利用人工智能模型生成的图像。86.在操作s330，根据种子、提示信息和超参数，得到目标图像。87.根据本公开的实施例，在得到编码码流后，可以先对编码码流的编码格式进行解析，得到与编码码流对应的编码算法。根据与编码码流对应的编码算法，得到与压缩图像对应的解编码算法。88.根据本公开的实施例，在得到与目标图像对应的种子、提示信息和超参数后，将与目标图像对应的种子、提示信息和超参数输入生成模型，生成目标图像。89.根据本公开的实施例，在得到种子、提示信息和超参数后，可以先根据超参数包括的硬件平台参数和软件平台参数搭建软硬件平台，然后在搭建好的软硬件平台上，根据生成模型参数配置生成模型，再利用配置好参数的生成模型根据种子及提示信息，生成目标图像。90.根据本公开的实施例，本公开实施例提供的技术方案可以实现通过利用相关解编码算法对编码码流进行解码，得到与目标图像对应的种子、提示信息和超参数，根据种子、提示信息和超参数，得到目标图像。由于与种子、提示信息和超参数对应的编码文件所占的内存远小于与目标图像本身对应的编码文件所占的内存，因此，解码与种子、提示信息和超参数对应的编码码流所用时间远小于解码与目标图像本身对应的编码码流所用的时间，提高解码编码文件的效率。91.根据本公开的实施例，由于种子表征用于生成与目标对象对应的随机序列的初始值，提示信息表征用于描述与目标图像对应的内容的词语，超参数表征与生成目标图像的运算平台对应的参数，根据种子、提示信息和超参数，得到目标图像，可以根据种子、提示信息和超参数恢复出精准的目标图像。92.根据本公开的实施例，在利用人工智能模型生成一幅松鼠吃汉堡的画的情况下，与目标图像对应的种子可以为654892，提示信息可以为：apaintingofasquirreleatingaburger.，超参数可以如表1所示。93.cpuintel(r)xeon(r)gold6248rcpu@3.00ghzgpunvidiartx3090软件平台pytorch1.10.1模型stablediffusionv1.5采样器ddim步长50ddim_eta0.0图像宽512pix图像高512隐变量通道数4下采样倍数8无条件引导比例9.0精度autocast设备cudatorchscriptfalseipexfalse半精度false其他……94.表1超参数示例95.如表1所示，中央处理器cpu的型号为intel(r)xeon(r)gold6248r。中央处理器cpu的基准频率为3.00ghz。图形处理器gpu的型号为nvidiartx3090。96.如表1所示，软件平台的名称为pytorch，软件平台版本号为1.10.1。97.如表1所示，生成模型参数包括：生成所述目标图像的扩散模型的名称及版本号为stablediffusionv1.5。98.与扩散模型stablediffusionv1.5一起使用的采样器的名称为ddim。与扩散模型stablediffusionv1.5对应的步长为50。与扩散模型stablediffusionv1.5对应的用于控制方差的参数ddim_eta为0.0。99.扩散模型stablediffusionv1.5生成的目标图像的宽和高均为512pix。与扩散模型stablediffusionv1.5对应的隐变量通道数为4，下采样倍数为8、无条件引导比例为9、精度为自动选择精度autocast。100.与扩散模型stablediffusionv1.5对应的的设备设置为cuda，即选择进行并行计算。将扩散模型stablediffusionv1.5对应的torchscript设置为false，即不使用与pytorch模型对应的中间表示，ipex设置为false，即不进行插件扩展，半精度设置为false，即不采用半精度。与扩散模型stablediffusionv1.5对应的其它参数设置为默认值。101.图4示意性示出了根据本公开实施例的对人工智能模型生成的图像进行编码及解码的流程图。102.图4中的目标图像是根据种子654892，提示词apaintingofasquirreleatingaburger.，表1中的超参数生成的。103.如图4所示，在步骤411，在编码端，获取与目标图像对应的种子、提示信息和超参数。其中，提示信息包括的提示词为：apaintingofasquirreleatingaburger.，种子为：654892，超参数为：采样器：ddim，步长：50，ddim_eta：0.0，图像宽：512，图像高：512，隐变量通道数：4，下采样倍数：8，无条件引导比例：9.0，精度：autocast，设备：cuda，torchscript：false，ipex：false，半精度：false，模型：stablediffusionv1.5，软件平台：pytorch1.10.1，gpu：nvidiartx3090，cpu：intel(r)xeon(r)gold6248rcpu@3.00ghz，其它：默认值。104.在步骤412，根据步骤411得到的与目标图像对应的种子、提示信息和超参数，配置生成目标图像的运行平台及图像生成模型。105.在步骤413，根据步骤411得到的与目标图像对应的种子、提示信息和超参数，利用步骤412得到的图像生成模型生成目标图像。106.在步骤414，利用相关编码算法对步骤411得到的种子、提示信息和超参数进行编码，得到与目标图像对应的编码码流。107.在步骤421，在解码端，利用相关解编码算法对步骤414得到的与目标图像对应的编码码流进行解码，得到与目标图像对应的种子、提示信息和超参数。108.在步骤422，根据步骤421得到的与目标图像对应的种子、提示信息和超参数，配置生成目标图像的运行平台及生成模型。109.在步骤423，根据步骤421得到的与目标图像对应的种子、提示信息和超参数，利用步骤422得到的生成模型生成目标图像。110.如图4所示，步骤423得到的目标图像与步骤413得到的目标图像一致，表明本公开实施例提供的对人工智能模型生成的图像进行编码及解码的方法具有实用性。111.如图4所示的步骤413得到的目标图像占的内存为786432byte。利用与png编码格式对应的编码算法直接对步骤413得到的目标图像本身进行编码，得到的编码码流所占的内存为471，040byte。在步骤414，利用与cmix编码格式对应的编码算法对步骤411得到的种子、提示信息和超参数进行编码，得到的与目标图像对应的编码码流所占的内存为260byte。图4表明，利用本公开实施例提供的方法对如图4所示的目标图像进行编码相较于直接对目标图像本身进行编码，编码码流所占的内存可以减小1812倍。112.如图4所示，通过对与人工智能模型生成的目标图像对应的种子、提示信息和超参数进行编码，得到与目标图像对应的编码码流。由于与目标图像对应的种子、提示信息和超参数的所占的内存远小于目标图像本身所占的内存，因此，通过利用相关编码算法对种子、提示信息和超参数进行编码，得到的与目标图像对应的编码码流，可以快速得到与目标图像对应的占用较少内存的编码码流，提高编码人工智能模型生成的目标图像的效率。113.如图4所示，通过利用相关解编码算法对编码码流进行解编码，得到与目标图像对应的种子、提示信息和超参数，根据种子、提示信息和超参数，得到目标图像。由于与种子、提示信息和超参数对应的编码文件所占的内存远小于与目标图像本身对应的编码文件所占的内存，因此，解码与种子、提示信息和超参数对应的编码码流所用时间远小于解码与目标图像本身对应的编码码流所用的时间，提高解码编码文件的效率。114.需要说明的是，本公开实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序，或者不同操作在技术实现上存在执行的先后顺序，否则，多个操作之间的执行顺序可以不分先后，多个操作也可以同时执行。115.基于上述对人工智能模型生成的图像进行编码的方法，本公开还提供了一种对人工智能模型生成的图像进行编码的装置。以下将结合图5对该装置进行详细描述。116.图5示意性示出了根据本公开实施例的对人工智能模型生成的图像进行编码的装置的结构框图。117.如图5所示，该实施例的对人工智能模型生成的图像进行编码的装置500包括第一获取模块510和第一得到模块520。118.第一获取模块510，用于获取与目标图像对应的种子、提示信息和超参数，其中，种子表征用于生成与目标对象对应的随机序列的初始值，提示信息表征用于描述与目标图像对应的内容的条件信息，超参数表征与生成目标图像的生成模型和运算平台对应的参数，目标图像表征利用人工智能模型生成的图像。在一实施例中，第一获取模块510可以用于执行前文描述的操作s210，在此不再赘述。119.第一得到模块520，用于利用相关编码算法对种子、提示信息和超参数进行编码，得到与目标图像对应的编码码流。在一实施例中，第一得到模块520可以用于执行前文描述的操作s220，在此不再赘述。120.根据本公开的实施例，超参数包括生成模型参数、软件平台参数和硬件平台参数。121.根据本公开的实施例，硬件平台参数包括中央处理器型号、中央处理器基准频率和图形处理器型号。122.根据本公开的实施例，软件平台参数包括软件平台名称和软件平台版本号。123.根据本公开的实施例，生成模型参数包括：模型名称、模型版本号和模型输入参数初始值。124.根据本公开的实施例，相关编码算法为无损编码算法。125.根据本公开的实施例，第一获取模块510和第一得到模块520中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块510和第一得到模块520中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块510和第一得到模块520中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。126.基于上述对人工智能模型生成的图像进行解码的方法，本公开还提供了一种对人工智能模型生成的图像进行解码的装置。以下将结合图6对该装置进行详细描述。127.图6示意性示出了根据本公开实施例的对人工智能模型生成的图像进行解码的装置的结构框图。128.如图6所示，该实施例的对人工智能模型生成的图像进行解码的装置600包括第二获取模块610、第二得到模块620和第三得到模块630。129.第二获取模块610，用于获取与目标图像对应的编码码流，其中，目标图像表征利用人工智能模型生成的图像。在一实施例中，第二获取模块610可以用于执行前文描述的操作s310，在此不再赘述。130.第二得到模块620，用于利用相关解编码算法对编码码流进行解码，得到与目标图像对应的种子、提示信息和超参数，其中，种子表征用于生成与目标对象对应的随机序列的初始值，提示信息表征用于描述与目标图像对应的内容的条件信息，超参数表征与生成目标图像的生成模型和运算平台对应的参数，目标图像表征利用人工智能模型生成的图像。在一实施例中，第二得到模块620可以用于执行前文描述的操作s320，在此不再赘述。131.第三得到模块630，用于根据种子、提示信息和超参数，得到目标图像。在一实施例中，第三得到模块630可以用于执行前文描述的操作s330，在此不再赘述。132.根据本公开的实施例，第二获取模块610、第二得到模块620和第三得到模块630中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第二获取模块610、第二得到模块620和第三得到模块630中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第二获取模块610、第二得到模块620和第三得到模块630中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。133.图7示意性示出了根据本公开实施例的适于实现对人工智能模型生成的图像进行编码的方法或对人工智能模型生成的图像进行解码的方法的电子设备的方框图。134.如图7所示，根据本公开实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。135.在ram703中，存储有电子设备700操作所需的各种程序和数据。处理器701、rom702以及ram703通过总线704彼此相连。处理器701通过执行rom702和/或ram703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom702和ram703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。136.根据本公开的实施例，电子设备700还可以包括输入/输出(i/o)接口705，输入/输出(i/o)接口705也连接至总线704。电子设备700还可以包括连接至输入/输出(i/o)接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至输入/输出(i/o)接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。137.本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。138.根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom702和/或ram703和/或rom702和ram703以外的一个或多个存储器。139.本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的对人工智能模型生成的图像进行编码的方法或对人工智能模型生成的图像进行解码的方法。140.在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。141.在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。142.在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。143.根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。144.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。145.本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。146.以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。当前第1页12当前第1页12
技术特征：
1.一种对人工智能模型生成的图像进行编码的方法，包括：获取与目标图像对应的种子、提示信息和超参数，其中，所述种子表征用于生成与所述目标对象对应的随机序列的初始值，所述提示信息表征用于描述与所述目标图像对应的内容的条件信息，所述超参数表征与生成所述目标图像的生成模型和运算平台对应的参数，所述目标图像表征利用人工智能模型生成的图像；利用相关编码算法对所述种子、所述提示信息和所述超参数进行编码，得到与所述目标图像对应的编码码流。2.根据权利要求1所述的方法，其中，所述超参数包括生成模型参数、软件平台参数和硬件平台参数。3.根据权利要求2所述的方法，其中，所述硬件平台参数包括中央处理器型号、中央处理器基准频率和图形处理器型号。4.根据权利要求2所述的方法，其中，所述软件平台参数包括软件平台名称和软件平台版本号。5.根据权利要求2所述的方法，所述生成模型参数包括：模型名称、模型版本号和模型输入参数初始值。6.根据权利要求1至5任一项所述的方法，其中，所述相关编码算法为无损编码算法。7.一种对人工智能模型生成的图像进行解码的方法，包括：获取与目标图像对应的编码码流，其中，所述目标图像表征利用人工智能模型生成的图像；利用相关解编码算法对所述编码码流进行解码，得到与所述目标图像对应的种子、提示信息和超参数，其中，所述种子表征用于生成与所述目标对象对应的随机序列的初始值，所述提示信息表征用于描述与所述目标图像对应的内容的条件信息，所述超参数表征与生成所述目标图像的生成模型和运算平台对应的参数，所述目标图像表征利用人工智能模型生成的图像；根据所述种子、所述提示信息和所述超参数，得到所述目标图像。8.一种对人工智能模型生成的图像进行编码的装置，包括：第一获取模块，用于获取与目标图像对应的种子、提示信息和超参数，其中，所述种子表征用于生成与所述目标对象对应的随机序列的初始值，所述提示信息表征用于描述与所述目标图像对应的内容的条件信息，所述超参数表征与生成所述目标图像的生成模型和运算平台对应的参数，所述目标图像表征利用人工智能模型生成的图像；第一得到模块，用于利用相关编码算法对所述种子、所述提示信息和所述超参数进行编码，得到与所述目标图像对应的编码码流。9.一种对人工智能模型生成的图像进行解码的装置，包括：第二获取模块，用于获取与目标图像对应的编码码流，其中，所述目标图像表征利用人工智能模型生成的图像；第二得到模块，用于利用相关解编码算法对所述编码码流进行解码，得到与所述目标图像对应的种子、提示信息和超参数，其中，所述种子表征用于生成与所述目标对象对应的随机序列的初始值，所述提示信息表征用于描述与所述目标图像对应的内容的条件信息，所述超参数表征与生成所述目标图像的生成模型和运算平台对应的参数，所述目标图像表
征利用人工智能模型生成的图像；第三得到模块，用于根据所述种子、所述提示信息和所述超参数，得到所述目标图像。10.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～7中任一项所述的方法。

技术总结
本公开提供了一种对人工智能模型生成的图像进行编码和解码的方法及装置，可以应用于图像或视频编码技术领域。该方法包括：获取与目标图像对应的种子、提示信息和超参数，其中，种子表征用于生成与目标对象对应的随机序列的初始值，提示信息表征用于描述与目标图像对应的内容的条件信息，超参数表征与生成目标图像的生成模型和运算平台对应的参数，目标图像表征利用人工智能模型生成的图像；利用相关编码算法对种子、提示信息和超参数进行编码，得到与目标图像对应的编码码流。到与目标图像对应的编码码流。到与目标图像对应的编码码流。


技术研发人员：陈志波 冯润森 高依欣 李鑫
受保护的技术使用者：中国科学技术大学
技术研发日：2023.07.31
技术公布日：2023/10/15